Table des matières

1 Importation de librairies, datasets
1.1 Importation librairies, liens des datasets
1.2 Importation du dataset TMDB
1.3 Importations des datasets IMDB
1.4 Fusion des dataframes
2 Exploration des dataframes
2.1 Clean-up partie 1
2.2 Filtrage
2.2.1 Durée
2.2.2 Année
2.2.3 Genre
2.2.4 Note
2.2.5 Nombre de votants
2.3 Clean-up partie 2
3 Sauvegarde du CSV

1 Importation de librairies, datasets

1.1 Importation librairies, liens des datasets

import gzip
import pandas as pd
import numpy as np
from datetime import datetime
import seaborn as sns
import matplotlib.pyplot as plt
import plotly.express as px
import random
import plotly.graph_objs as go
import plotly.io as pio
pio.renderers.default = "plotly_mimetype+notebook"

# Liens des datasets IMDB
link_name_basics = "https://datasets.imdbws.com/name.basics.tsv.gz"
link_title_akas = "https://datasets.imdbws.com/title.akas.tsv.gz"
link_title_basics = "https://datasets.imdbws.com/title.basics.tsv.gz"
link_title_crew = "https://datasets.imdbws.com/title.crew.tsv.gz"
link_title_episode = "https://datasets.imdbws.com/title.episode.tsv.gz"
link_title_principals = "https://datasets.imdbws.com/title.principals.tsv.gz"
link_title_ratings = "https://datasets.imdbws.com/title.ratings.tsv.gz"

# Liens du dataset TMDB
link_tmdb = r"C:\Users\Félix\Downloads\tmdb_full.csv"
# r"C:\Users\Ju_u\Downloads\tmdb_full.csv"
# r"C:\Users\wilders\Downloads\tmdb_full.csv"

# Ignore les Alertes
pd.options.mode.chained_assignment = None  # default='warn'

# Import warnings simplefilter
from warnings import simplefilter
simplefilter(action='ignore', category=FutureWarning)

1.2 Importation du dataset TMDB

df_tmdb = pd.read_csv(link_tmdb, low_memory=False, usecols=["id","imdb_id","genres","revenue","poster_path"])
df_tmdb.head()

	genres	id	imdb_id	poster_path	revenue
0	['Comedy']	3924	tt0029927	/zBiHKhXklvTFwj4M1uEUcQGAVJ.jpg	0
1	['Adventure']	6124	tt0011436	/6xUbUCvndklbGVYiljHr34NTxSl.jpg	0
2	['Drama', 'Romance']	8773	tt0055747	/aup2QCYCsyEeQfpboXy0f4uj8aE.jpg	0
3	['Drama', 'Comedy', 'Crime']	2	tt0094675	/ojDg0PGvs6R9xYFodRct2kdI6wC.jpg	0
4	['Drama', 'Comedy', 'Romance']	3	tt0092149	/nj01hspawPof0mJmlgfjuLyJuRN.jpg	0

df_tmdb.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 309572 entries, 0 to 309571
Data columns (total 5 columns):
 #   Column       Non-Null Count   Dtype 
---  ------       --------------   ----- 
 0   genres       309572 non-null  object
 1   id           309572 non-null  int64 
 2   imdb_id      309572 non-null  object
 3   poster_path  264159 non-null  object
 4   revenue      309572 non-null  int64 
dtypes: int64(2), object(3)
memory usage: 11.8+ MB

# Vérification des duplicates sur l'ID
df_tmdb.duplicated(subset=['id']).sum()

0

1.3 Importation des datasets IMDB

data_title_basics = pd.read_csv(link_title_basics, compression='gzip', header=0, sep='\t', low_memory=False, usecols= ["tconst","titleType", "primaryTitle", "startYear","genres","runtimeMinutes"])
df_title_basics = data_title_basics

df_title_basics.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 10371207 entries, 0 to 10371206
Data columns (total 6 columns):
 #   Column          Dtype 
---  ------          ----- 
 0   tconst          object
 1   titleType       object
 2   primaryTitle    object
 3   startYear       object
 4   runtimeMinutes  object
 5   genres          object
dtypes: object(6)
memory usage: 474.8+ MB

# DataFrame des titres de films (originaux) filtrée sur MOVIES

df_title_basics_movies = df_title_basics.loc[(df_title_basics.titleType.str.contains("movie"))]
df_title_basics_movies.head()

	tconst	titleType	primaryTitle	startYear	runtimeMinutes	genres
8	tt0000009	movie	Miss Jerry	1894	45	Romance
144	tt0000147	movie	The Corbett-Fitzsimmons Fight	1897	100	Documentary,News,Sport
498	tt0000502	movie	Bohemios	1905	100	\N
570	tt0000574	movie	The Story of the Kelly Gang	1906	70	Action,Adventure,Biography
587	tt0000591	movie	The Prodigal Son	1907	90	Drama

df_title_basics_movies.info()

<class 'pandas.core.frame.DataFrame'>
Index: 664838 entries, 8 to 10371157
Data columns (total 6 columns):
 #   Column          Non-Null Count   Dtype 
---  ------          --------------   ----- 
 0   tconst          664838 non-null  object
 1   titleType       664838 non-null  object
 2   primaryTitle    664836 non-null  object
 3   startYear       664838 non-null  object
 4   runtimeMinutes  664838 non-null  object
 5   genres          664838 non-null  object
dtypes: object(6)
memory usage: 35.5+ MB

1.4 Fusion des dataframes

# Fusion des dataframes contenant tous les noms acteurs, producteurs, etc

df_name_basics = pd.read_csv(link_name_basics, compression='gzip', header=0, sep='\t')
df_title_crew = pd.read_csv(link_title_crew, compression='gzip', header=0, sep='\t')
df_prod = pd.merge(df_title_crew,df_name_basics, left_on="directors", right_on="nconst", how="left")
df_prod.head()

	tconst	directors	writers	nconst	primaryName	birthYear	deathYear	primaryProfession	knownForTitles
0	tt0000001	nm0005690	\N	nm0005690	William K.L. Dickson	1860	1935	cinematographer,director,producer	tt1496763,tt0219560,tt0308254,tt1428455
1	tt0000002	nm0721526	\N	nm0721526	Émile Reynaud	1844	1918	director,animation_department,producer	tt0000003,tt16763740,tt16763674,tt27119262
2	tt0000003	nm0721526	\N	nm0721526	Émile Reynaud	1844	1918	director,animation_department,producer	tt0000003,tt16763740,tt16763674,tt27119262
3	tt0000004	nm0721526	\N	nm0721526	Émile Reynaud	1844	1918	director,animation_department,producer	tt0000003,tt16763740,tt16763674,tt27119262
4	tt0000005	nm0005690	\N	nm0005690	William K.L. Dickson	1860	1935	cinematographer,director,producer	tt1496763,tt0219560,tt0308254,tt1428455

# Rajout des noms de producteurs à la dataframe de référence

df_prod_2 = df_prod[["tconst","primaryName","primaryProfession"]]
df_base_dir = pd.merge(df_title_basics_movies, df_prod_2, how="left", on="tconst")

# Rajout des ratings à la dataframe de référence

df_title_ratings = pd.read_csv(link_title_ratings, compression='gzip', header=0, sep='\t')
df_movies_ratings = pd.merge(df_base_dir, df_title_ratings, how="left", on="tconst")

# Fusion entre la dataframe des acteurs avec celle des noms de personnalités du cinéma

df_acteur = pd.read_csv(link_title_principals, compression='gzip', header=0, sep='\t', low_memory=False)
df_acteur= df_acteur.loc[(df_acteur["category"]=="actor")|(df_acteur["category"]=="actress")]
df_actor = pd.merge(df_acteur,df_name_basics, left_on="nconst", right_on="nconst", how="left")

# Rajout de la dataframe des acteurs à la dataframe de référence

grouped_actors = df_actor.groupby('tconst')['primaryName'].apply(list).reset_index(name='Acteurs')
df_movies_actors = pd.merge(df_movies_ratings, grouped_actors, how="left", left_on="tconst", right_on="tconst")

# Fusion entre les dataframe IMDB et TMDB

df_ALL = pd.merge(df_movies_actors, df_tmdb, how="left", left_on="tconst", right_on="imdb_id")
df_ALL.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 664838 entries, 0 to 664837
Data columns (total 16 columns):
 #   Column             Non-Null Count   Dtype  
---  ------             --------------   -----  
 0   tconst             664838 non-null  object 
 1   titleType          664838 non-null  object 
 2   primaryTitle       664836 non-null  object 
 3   startYear          664838 non-null  object 
 4   runtimeMinutes     664838 non-null  object 
 5   genres_x           664838 non-null  object 
 6   primaryName        542581 non-null  object 
 7   primaryProfession  542415 non-null  object 
 8   averageRating      300881 non-null  float64
 9   numVotes           300881 non-null  float64
 10  Acteurs            482500 non-null  object 
 11  genres_y           205814 non-null  object 
 12  id                 205814 non-null  float64
 13  imdb_id            205814 non-null  object 
 14  poster_path        185120 non-null  object 
 15  revenue            205814 non-null  float64
dtypes: float64(4), object(12)
memory usage: 81.2+ MB

2 Exploration des dataframes

2.1 Clean-up partie 1

# Localisation de tous les \N
df_ALL.loc[(df_ALL["startYear"] =='\\N') |(df_ALL["genres_x"] =='\\N') |(df_ALL["runtimeMinutes"] =='\\N')]

	tconst	titleType	primaryTitle	startYear	runtimeMinutes	genres_x	primaryName	primaryProfession	averageRating	numVotes	Acteurs	genres_y	id	imdb_id	poster_path	revenue
2	tt0000502	movie	Bohemios	1905	100	\N	Ricardo de Baños	director,cinematographer,writer	4.1	15.0	[Antonio del Pozo, El Mochuelo]	NaN	NaN	NaN	NaN	NaN
5	tt0000615	movie	Robbery Under Arms	1907	\N	Drama	Charles MacMahon	director,writer,producer	4.3	25.0	[Jim Gerald, George Merriman, Lance Vane, Will...	NaN	NaN	NaN	NaN	NaN
6	tt0000630	movie	Hamlet	1908	\N	Drama	Mario Caserini	director,actor,writer	2.9	27.0	[Fernanda Negri Pouget]	NaN	NaN	NaN	NaN	NaN
7	tt0000675	movie	Don Quijote	1908	\N	Drama	Narciso Cuyàs	director,cinematographer,writer	4.2	20.0	NaN	NaN	NaN	NaN	NaN	NaN
9	tt0000838	movie	A Cultura do Cacau	1909	\N	\N	Ernesto de Albuquerque	director,cinematographer,editor	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
664824	tt9916178	movie	Yesterday's Dreams	\N	\N	\N	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
664826	tt9916188	movie	Minotaur	\N	\N	Thriller	Dean Israelite	director,producer,writer	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
664830	tt9916428	movie	The Secret of China	2019	\N	Adventure,History,War	Jixing Wang	director,writer	3.5	17.0	[Kenan Heppe, Wang Peng Kai, Valery Gadreau, W...	NaN	NaN	NaN	NaN	NaN
664832	tt9916620	movie	The Copeland Case	\N	\N	Drama	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
664835	tt9916706	movie	Dankyavar Danka	2013	\N	Comedy	Kanchan Nayak	director,assistant_director	NaN	NaN	[Suvarna Kale, Makarand Anaspure, Anvay Bendre...	NaN	NaN	NaN	NaN	NaN

278146 rows × 16 columns

# Fonctions pour supprimer les \N

def remove_N_year(row):
    return row['startYear'] != '\\N'
def remove_N_genres(row):
    return row['genres_x'] != '\\N'
def remove_N_runtime(row):
    return row['runtimeMinutes'] != '\\N'

# Fonction principale de nettoyage
def remove_rows(df_ALL):
    df_ALL = df_ALL[df_ALL.apply(remove_N_year, axis=1) & 
            df_ALL.apply(remove_N_genres, axis=1) & 
            df_ALL.apply(remove_N_runtime, axis=1)]
    return df_ALL

# Application de la fonction sur notre dataframe
df_ALL = remove_rows(df_ALL)

df_ALL["revenue"].isna().value_counts()

revenue
True     199993
False    186699
Name: count, dtype: int64

# Nous supprimons toutes les valeurs manquantes et à 0 pour la colonne Revenue. 
df_ALL = df_ALL.drop(df_ALL[df_ALL["revenue"] == 0].index)
df_ALL.dropna(subset=["revenue"], inplace=True)

df_ALL["revenue"].isna().value_counts()

revenue
False    14491
Name: count, dtype: int64

df_ALL['runtimeMinutes'].info()

<class 'pandas.core.series.Series'>
Index: 14491 entries, 348 to 664800
Series name: runtimeMinutes
Non-Null Count  Dtype 
--------------  ----- 
14491 non-null  object
dtypes: object(1)
memory usage: 226.4+ KB

# Modification du Type de la colonne RuntimeMinutes en Int

df_ALL['runtimeMinutes'] = df_ALL['runtimeMinutes'].astype(str).astype(int)

2.2 Filtrage

2.2.1 Durée

# Visualisation de la distribution de la durée des films 

fig = px.violin(df_ALL, y="runtimeMinutes")
fig.update_layout(title_text='Distribution des Durées de Films')
fig.show()

Nous allons décider de filtrer sur la durée entre 60 min et 180 minutes pour éviter les valeurs abbérantes.

# On filtre sur les durées de films entre 1h et 3h

df_ALL = df_ALL[(df_ALL['runtimeMinutes'] >= 60) & (df_ALL['runtimeMinutes'] <= 180)]

2.2.2 Année

df_ALL['startYear'].info()

<class 'pandas.core.series.Series'>
Index: 14339 entries, 348 to 664800
Series name: startYear
Non-Null Count  Dtype 
--------------  ----- 
14339 non-null  object
dtypes: object(1)
memory usage: 224.0+ KB

# Transformation de la colonne startYear en Année 
df_ALL['startYear'] = pd.to_datetime(df_ALL['startYear'], format='%Y')
df_ALL['startYear'] = df_ALL['startYear'].dt.year

# Visualisation de la distribution de la durée des films  
df_ALL['Decade'] = (df_ALL['startYear'] // 10) * 10

# Tracer la distribution par décennie
fig = px.box(df_ALL, y="Decade")
fig.update_layout(title_text='Distribution des années de sortie des films par décennie')
fig.show()

On décide de prendre les films entre les années 1990 jusque 2020 pour avoir un large choix de film après nos filtres.

# Filtre sur les films sortis entre 1990 et 2020

df_ALL["startYear"] = (pd.to_datetime(df_ALL['startYear'], format='%Y')).apply(lambda x: x.year)
df_movies_cleaned = df_ALL.loc[(df_ALL["startYear"] >= 1990) & (df_ALL["startYear"] <= 2020)]

2.2.3 Genre

# Visualisation du nombre de film par genre 
df_movies_explo = df_movies_cleaned['genres_x'].str.split(',')
df_movies_explo
all_genres = [genre for genres in df_movies_explo if genres is not pd.NA for genre in genres]
all_genres
genre_counts = pd.Series(all_genres).value_counts()

# Graphique à barres pour les genres

genre_counts.plot(kind='bar')
plt.title('Nombre de films par genre')
plt.xlabel('Genre')
plt.ylabel('Nombre de films')
plt.show()

Nous voyons gràce à ce graphique que le genre "Comedy" est trés bien représenté dans cette base de données. Pour les genres "Crime" et "Thriller", la proportion est plus ou moins équivalente.

# Renommage des colonnes/suppression des colonnes inutiles

df_movies_cleaned.rename(columns={"primaryTitle":"Titre", "startYear":"Annee_de_sortie", "runtimeMinutes":"Duree", "genres_x":"Genre", "primaryName":"Realisateur", "averageRating":"Note", "numVotes":"Nombre_de_votants", "poster_path":"Affiche", "revenue":"Recette","Acteurs":"Acteur" }, inplace=True)
df_movies_cleaned.drop(columns=["titleType", "genres_y", "tconst","primaryProfession","id","imdb_id", "Decade"],inplace=True)
df_movies_cleaned.head()

	Titre	Annee_de_sortie	Duree	Genre	Realisateur	Note	Nombre_de_votants	Acteur	Affiche	Recette
24400	Kate & Leopold	2001	118	Comedy,Fantasy,Romance	James Mangold	6.4	88083.0	[Meg Ryan, Hugh Jackman, Liev Schreiber, Breck...	/mUvikzKJJSg9khrVdxK8kg3TMHA.jpg	76019048.0
68635	Aquí huele a muerto... (¡pues yo no he sido!)	1990	88	Comedy,Horror	Álvaro Sáenz de Heredia	3.9	392.0	[Josema Yuste, Millán Salcedo, Ana Álvarez, Ra...	/fuB7IKCoJr0w3LG4BRiET5YoLbZ.jpg	3073994.0
68668	Countdown to Esmeralda Bay	1990	90	Action,Drama,War	Jesús Franco	3.6	153.0	[Robert Forster, George Kennedy, Fernando Rey,...	/gjnb09vzG4WV8BCer3viifKyO5g.jpg	94104.0
69295	The Master	1992	92	Action,Comedy,Crime	Hark Tsui	5.7	2956.0	[Jet Li, Wah Yuen, Crystal Kwok, Jerry Trimble]	/i4v3uQVayPXTGwDjRf8n1iyd2TR.jpg	8096542.0
69484	Pareja enloquecida busca madre de alquiler	1990	97	Comedy	Mariano Ozores	4.3	34.0	[José Luis López Vázquez, Lola Forner, Guiller...	/wqEnYz4ZG43xMm6DXXoJcnL51de.jpg	195914.0

# On souhaite n'avoir que les films des genres Thriller, Crime et Comedy

df_movies_genre = df_movies_cleaned.loc[(df_movies_cleaned.Genre.str.contains("|".join(["Thriller","Crime","Comedy"])))]

2.2.4 Note

sample_size = 700000
random_df_title_ratings = df_title_ratings.sample(n=sample_size, random_state=50)

plt.figure(figsize=(15, 8))
sns.lineplot(x = 'averageRating', y = 'numVotes', data = random_df_title_ratings)
plt.title("Nombre de votants par notes moyennes")
plt.xlabel("Notes moyennes")
plt.ylabel("Nombre de votants")
plt.show()

Pour cette analyse, nous procédons à un échantillonnage car il n'est pas praticable de générer des visualisations directes sur notre data frame actuel. Ce dernier contient contient un nombre important de lignes à cette étape. L'objectif de cette visualisation est d'évaluer si les films ayant reçu les meilleures notes bénéficient d'un nombre de votants suffisant pour garantir l'intégrité de la note finale. Nous observons qu'à mesure que les films obtiennent des notes plus élevées, le nombre de votants augmente (on peut les qualifier de films 'populaires'). Ainsi, il semble judicieux de restreindre notre sélection aux films ayant obtenu des notes de 7 et plus, étant donné que ceux-ci sont plus susceptibles d'avoir un nombre de votants significatif. Cette approche réduit le risque de biais dans notre analyse en se concentrant sur des films bien notés et également populaires.

fig = px.violin(df_movies_genre, y="Note")
fig.update_layout(title_text='Distribution des Notes de Films')
fig.show()

Ce graphique nous confirme notre décision de prendre tous les films dont la note est supérieur 7.

# On souhaite n'afficher que les films qui ont une note supérieur à 7

df_rated = df_movies_genre.loc[(df_movies_genre["Note"]) >= 7.0]

2.2.5 Nombre de votes

# On décide de n'afficher que les films dont les votes ont atteint plus de 300 dans un souci de pertinence

df_final = df_rated.loc[(df_movies_genre["Nombre_de_votants"]) >= 300]
df_final.sort_values("Nombre_de_votants", ascending=False).head()

	Titre	Annee_de_sortie	Duree	Genre	Realisateur	Note	Nombre_de_votants	Acteur	Affiche	Recette
208227	The Dark Knight	2008	152	Action,Crime,Drama	Christopher Nolan	9.0	2806908.0	[Christian Bale, Heath Ledger, Aaron Eckhart, ...	/qJ2tW6WMUDux911r6m7haRef0WH.jpg	1.004558e+09
77262	Pulp Fiction	1994	154	Crime,Drama	Quentin Tarantino	8.9	2166539.0	[John Travolta, Uma Thurman, Samuel L. Jackson...	/d5iIlFn5s0ImszYzBPb8JPIfbXD.jpg	2.141791e+08
302165	The Dark Knight Rises	2012	164	Action,Drama,Thriller	Christopher Nolan	8.4	1790465.0	[Christian Bale, Tom Hardy, Anne Hathaway, Gar...	/85cWkCVftiVs0BVey6pxX8uNmLt.jpg	1.081041e+09
79103	Se7en	1995	127	Crime,Drama,Mystery	David Fincher	8.6	1753458.0	[Morgan Freeman, Brad Pitt, Kevin Spacey, Andr...	/6yoghtyTpznpBik8EngEmJskVUO.jpg	3.273119e+08
185908	Batman Begins	2005	140	Action,Crime,Drama	Christopher Nolan	8.2	1546845.0	[Christian Bale, Michael Caine, Ken Watanabe, ...	/4MpN4kIEqUjW8OPtOQJXlTdHiJV.jpg	3.742187e+08

2.3 Clean-up partie 2

# Visualisation des colonnes ayant des valeurs nulles 
df_final.isna().sum()

Titre                  0
Annee_de_sortie        0
Duree                  0
Genre                  0
Realisateur          118
Note                   0
Nombre_de_votants      0
Acteur                38
Affiche                0
Recette                0
dtype: int64

# On remplace les valeurs nulles
df_final["Affiche"].fillna("/nX5XotM9yprCKarRH4fzOq1VM1J.jpg", inplace=True)
df_final["Realisateur"].fillna("Non renseigné", inplace=True)
df_final["Acteur"].fillna("Non renseigné", inplace=True)
df_final.info()

<class 'pandas.core.frame.DataFrame'>
Index: 1378 entries, 70037 to 663091
Data columns (total 10 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   Titre              1378 non-null   object 
 1   Annee_de_sortie    1378 non-null   int64  
 2   Duree              1378 non-null   int32  
 3   Genre              1378 non-null   object 
 4   Realisateur        1378 non-null   object 
 5   Note               1378 non-null   float64
 6   Nombre_de_votants  1378 non-null   float64
 7   Acteur             1378 non-null   object 
 8   Affiche            1378 non-null   object 
 9   Recette            1378 non-null   float64
dtypes: float64(3), int32(1), int64(1), object(5)
memory usage: 113.0+ KB

# Visualisation en pairplot des colonnes numériques
DF_FINAL_pop_sample = df_final.sample(frac=0.25)

# Création du pairplot
pairplot = sns.pairplot(DF_FINAL_pop_sample)
pairplot.fig.suptitle("Relations entre les Variables dans un Échantillon de Films (25%)", y=1.02)

plt.show()

C:\ProgramData\anaconda3\Lib\site-packages\seaborn\axisgrid.py:118: UserWarning:

The figure layout has changed to tight

On peut voir que la répartition des films sur les années et la durée est plutôt bien équilibrée. La majorité des films ont une note entre 7 et 8. Le nombre de votants et les recettes sont très regroupés dans les premières valeurs et sont éparpillés.

# On crée une copie de notre dataframe de référence afin de pouvoir travailler sur la colonne Genre et éclater ces derniers

df_stat = df_final
df_stat['Genre'] = df_stat['Genre'].str.split(',')

# Explode de la colonne "Genre"
df_genre_expanded = df_stat.explode('Genre')

# Réinitialisation des index pour avoir un index continu
df_genre_expanded.reset_index(drop=True, inplace=True)

# Filtre sur les genres Thriller, Crime et Comedy
df_genre_expanded = df_genre_expanded.loc[(df_genre_expanded.Genre.str.contains("|".join(["Thriller","Crime","Comedy"])))]

# Suppression des doublons sur les colonnes Titre et Année de sortie

df_Film_Pulse_AI = df_genre_expanded.drop_duplicates(subset=["Titre", "Annee_de_sortie"])

df_Film_Pulse_AI.info()

<class 'pandas.core.frame.DataFrame'>
Index: 1378 entries, 1 to 3687
Data columns (total 10 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   Titre              1378 non-null   object 
 1   Annee_de_sortie    1378 non-null   int64  
 2   Duree              1378 non-null   int32  
 3   Genre              1378 non-null   object 
 4   Realisateur        1378 non-null   object 
 5   Note               1378 non-null   float64
 6   Nombre_de_votants  1378 non-null   float64
 7   Acteur             1378 non-null   object 
 8   Affiche            1378 non-null   object 
 9   Recette            1378 non-null   float64
dtypes: float64(3), int32(1), int64(1), object(5)
memory usage: 113.0+ KB

Nous pouvons voir que nous n'avons plus aucune valeur manquante dans notre dataset.

# Affichage des films par Nombre de votants
df_Film_Pulse_AI.sort_values("Nombre_de_votants", ascending=False).head()

	Titre	Annee_de_sortie	Duree	Genre	Realisateur	Note	Nombre_de_votants	Acteur	Affiche	Recette
1607	The Dark Knight	2008	152	Crime	Christopher Nolan	9.0	2806908.0	[Christian Bale, Heath Ledger, Aaron Eckhart, ...	/qJ2tW6WMUDux911r6m7haRef0WH.jpg	1.004558e+09
306	Pulp Fiction	1994	154	Crime	Quentin Tarantino	8.9	2166539.0	[John Travolta, Uma Thurman, Samuel L. Jackson...	/d5iIlFn5s0ImszYzBPb8JPIfbXD.jpg	2.141791e+08
2205	The Dark Knight Rises	2012	164	Thriller	Christopher Nolan	8.4	1790465.0	[Christian Bale, Tom Hardy, Anne Hathaway, Gar...	/85cWkCVftiVs0BVey6pxX8uNmLt.jpg	1.081041e+09
374	Se7en	1995	127	Crime	David Fincher	8.6	1753458.0	[Morgan Freeman, Brad Pitt, Kevin Spacey, Andr...	/6yoghtyTpznpBik8EngEmJskVUO.jpg	3.273119e+08
1227	Batman Begins	2005	140	Crime	Christopher Nolan	8.2	1546845.0	[Christian Bale, Michael Caine, Ken Watanabe, ...	/4MpN4kIEqUjW8OPtOQJXlTdHiJV.jpg	3.742187e+08

# Utilisation de cette DataFrame pour l'établissement des KPIs à destination du client
df_final_TOP10_acteurs = df_Film_Pulse_AI.explode('Acteur')
df_final_TOP10_acteurs 

	Titre	Annee_de_sortie	Duree	Genre	Realisateur	Note	Nombre_de_votants	Acteur	Affiche	Recette
1	Back to the Future Part III	1990	118	Comedy	Robert Zemeckis	7.4	471915.0	Michael J. Fox	/crzoVQnMzIrRfHtQw0tLBirNfVg.jpg	244527583.0
1	Back to the Future Part III	1990	118	Comedy	Robert Zemeckis	7.4	471915.0	Christopher Lloyd	/crzoVQnMzIrRfHtQw0tLBirNfVg.jpg	244527583.0
1	Back to the Future Part III	1990	118	Comedy	Robert Zemeckis	7.4	471915.0	Mary Steenburgen	/crzoVQnMzIrRfHtQw0tLBirNfVg.jpg	244527583.0
1	Back to the Future Part III	1990	118	Comedy	Robert Zemeckis	7.4	471915.0	Tom Wilson	/crzoVQnMzIrRfHtQw0tLBirNfVg.jpg	244527583.0
3	Cyrano de Bergerac	1990	137	Comedy	Jean-Paul Rappeneau	7.5	25543.0	Gérard Depardieu	/80XJ5UkGuYTKDuALeG03BLk1OT1.jpg	5822041.0
...	...	...	...	...	...	...	...	...	...	...
3683	Beasts Clawing at Straws	2020	108	Crime	Kim Yong-hoon	7.0	5399.0	Youn Yuh-jung	/lO4hjVBxrVtMmupGraIR3c7Jq1Q.jpg	5707415.0
3687	Law of Tehran	2019	131	Crime	Saeed Roustayi	7.8	17805.0	Payman Maadi	/ujNhy2Vu7S1FHuwePMIYMkIbGTj.jpg	1350772.0
3687	Law of Tehran	2019	131	Crime	Saeed Roustayi	7.8	17805.0	Navid Mohammadzadeh	/ujNhy2Vu7S1FHuwePMIYMkIbGTj.jpg	1350772.0
3687	Law of Tehran	2019	131	Crime	Saeed Roustayi	7.8	17805.0	Parinaz Izadyar	/ujNhy2Vu7S1FHuwePMIYMkIbGTj.jpg	1350772.0
3687	Law of Tehran	2019	131	Crime	Saeed Roustayi	7.8	17805.0	Farhad Aslani	/ujNhy2Vu7S1FHuwePMIYMkIbGTj.jpg	1350772.0

5435 rows × 10 columns

df_Film_Pulse_AI.info()

<class 'pandas.core.frame.DataFrame'>
Index: 1378 entries, 1 to 3687
Data columns (total 10 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   Titre              1378 non-null   object 
 1   Annee_de_sortie    1378 non-null   int64  
 2   Duree              1378 non-null   int32  
 3   Genre              1378 non-null   object 
 4   Realisateur        1378 non-null   object 
 5   Note               1378 non-null   float64
 6   Nombre_de_votants  1378 non-null   float64
 7   Acteur             1378 non-null   object 
 8   Affiche            1378 non-null   object 
 9   Recette            1378 non-null   float64
dtypes: float64(3), int32(1), int64(1), object(5)
memory usage: 113.0+ KB

3 Sauvegarde du CSV

# Sauvegarde du Dataframe en fichier CSV 
df_Film_Pulse_AI.to_csv('df_Film_Pulse_AI.csv', index=True)

# Sauvegarde du Dataframe en fichier CSV 
df_final_TOP10_acteurs.to_csv('df_final_TOP10_acteurs.csv', index=True)